Pytorch实现全连接神经网络模型和卷积神经网络训练MNIST数据集 Pytorch实现全连接神经网络模型/卷积神经网络训练MNIST数据集，并将训练好的模型在自己的手写图片数据集上测试 目录说明： CNN文件夹是用来保存卷积神经网络模型代码，其中model.py,my_dataset.py是被自动调用的，都不需要运行 FC文件夹是用来保存全连接神经网络模型代码，其中model.py,my_dataset.py是被自动调用的，都不需要运行 dataset文件夹是保存MNIST官方数据集的文件夹，不需改动 images文件夹是用来保存REAEDME.md文件中引用的图片的，不需改动 my_mnist_dateset文件夹是用来保存自己手写数字图片与标签文件的，自己手写的图片请放在my_mnist_dateset/classify对应的文件夹中 make_ours_dataset.py文件是用来处理my_mnist_dateset文件夹下的图像并生成标签用的 requirements.txt文件是环境配置文件

1.领域：matlab，RNN循环神经网络算法 2.内容：基于MATLAB的RNN循环神经网络训练仿真+代码操作视频 3.用处：用于RNN循环神经网络算法编程学习 4.指向人群：本硕博等教研学习使用 5.运行注意事项： 使用matlab2021a或者更高版本测试，运行里面的Runme_.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。 具体可观看提供的操作录像视频跟着操作。

matlab卷积神经网络训练（回归模型）

受限波尔茨曼机RBM_DBN深度学习网络训练和测试matlab仿真,数据库为随机数矩阵,可替换为其他数据库+包含程序操作视频 注意事项（仿真图预览可参考博主博客里面"同名文章内容"。）： 使用matlab2022a或者高版本仿真，运行文件夹中的tops.m。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。 具体操作观看提供的程序操作视频跟着操作。

遗传算法求解BP网络输入变量，构造BP神经网络适应度函数f(x)，求解放f(x)极值下的x值。MATLAB代码，可运行！

人脸识别算法的MATLAB仿真 net.trainFcn = 'trainscg'; net.trainParam.lr = 0.4; net.trainParam.epochs = 400; net.trainParam.show = 10; net.trainParam.goal = 1e-3; %~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ T{1,1} = cell2mat(IMGDB(2,:)); P{1,1} = cell2mat(IMGDB(3,:)); net = train(net,P,T); save net net NET = net;

基于matlab的CNN-LSTM深度学习网络训练,有用的特征从CNN层中提取，然后反馈到LSTM层，该层形成预测的上下文顺序+含代码操作演示视频 运行注意事项：使用matlab2021a或者更高版本测试，运行里面的Runme.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。 具体可观看提供的操作录像视频跟着操作。

VGG作为流行的几个模型之一,训练图形数据效果不错，在mnist数据集是常用的入门集数据，VGG层数非常多，如果严格按照规范来实现，并用来训练mnist数据集，会出现各种问题，如，经过16层卷积后，28*28*1的图片几乎无法进行。 先介绍下VGG ILSVRC 2014的第二名是Karen Simonyan和 Andrew Zisserman实现的卷积神经网络，现在称其为VGGNet。它主要的贡献是展示出网络的深度是算法优良性能的关键部分。 他们最好的网络包含了16个卷积/全连接层。网络的结构非常一致，从头到尾全部使用的是3×3的卷积和2×2的汇聚。他们的预训练模型是可以在网络上获得并在Ca

此代码使用一阶随机梯度下降优化多层前馈神经网络。 它将网络输出为一个结构，然后可以在新数据上进行测试。

CNN卷积神经网络训练并测试Mnist数据集，准确率99.07%,环境是pytorch+GPU+pycharm(使用cuda),可直接下载使用，适合想入门深度学习或者神经网络的初学者，代码可直接跑，并且代码中含有大量注释以及个人见解。 1、运行代码，数据集会自行下载，只需要改变Dataset的路径 2、卷积网络层数和池化层参数可以自行更改